谷歌 DeepMind 推出 WeatherNext：成功突破台风路径与强度双重预测难题

type

status

date

slug

summary

打破传统权衡：路径与强度的双重精准预测

长期以来，台风预测面临着一个棘手的权衡问题：全球气象模型（如 ECMWF 的 ENS）擅长预测台风路径，但其网格过于粗糙，难以对风暴强度进行精细评估；而区域专用模型（如 NOAA 的 HAFS）能提供精准的强度数据，却容易在路径预测上出现偏差。根据发表在《自然》杂志上的最新论文，WN-C 史无前例地在单一系统中完美处理了这两项任务。

令人惊讶的是，WN-C 实现这一突破所依赖的数据网格分辨率约为 28 公里，这比专业的区域模型粗糙近 100 倍。DeepMind 表示，即使是网格间距为 111 公里的精简版模型，依然能产出极具竞争力的结果。研究人员指出，极高的分辨率并非实现顶级强度预测的先决条件，粗糙的低分辨率气象数据中蕴含的台风强度信息实际上远超人类预期。不过，模型究竟是如何在如此低的分辨率下生成高精度预测的，目前仍是一个开放的科学研究课题。

在技术底层上，WN-C 摒弃了其前代模型 GenCast 所使用的扩散模型（Diffusion）方法，转而采用功能生成网络（Functional Generative Networks, FGN）。这一转变使得模型只需进行一次神经网络前向传播，无需经历繁琐的多轮迭代，预测速度提升了整整八倍。同时，为了更好地捕捉气象环境的不确定性，系统不再像传统方法那样在单个像素点添加噪声，而是将噪声注入网络的控制层，从而生成物理规则上合理且多样化的预测场景。

极速推理与开源赋能：生成海量灾害场景

得益于高效的 FGN 算法和谷歌自研的 AI 芯片算力，WN-C 能够在不到一分钟的时间内完成未来 15 天的趋势预测。借此速度优势，DeepMind 将并行预测的运行次数从传统的 50 次大幅提升至 1000 次。这种大规模的集合预测模式，极大地提高了系统捕捉罕见极端气象事件的可靠性。论文数据显示，其关键成功指数（衡量正确警告与误报、漏报平衡的指标）从 0.3 以下跃升至 0.5。

在实际的预测精度上，以五天的预测期为例，WN-C 对风暴中心位置的平均误差仅为 230 公里，显著优于 ENS 的 370 公里和前代 GenCast 的 335 公里。在为期三天的台风强度预测上，它的精度也比专业区域模型 HAFS 提高了 3.75 节（约 4.3 英里/小时）。

目前，DeepMind 秉持开放的科学精神，已经将这一重磅技术开源。研究人员和开发者可以在 GitHub 上获取 WeatherNext 2 及其气旋变体 WN-C 的代码和模型权重。对于算力资源有限的用户，其精简版甚至可以在单一 TPU 的免费 Colab 笔记本中运行，极大地降低了全球学者参与气象 AI 研究的门槛。

AI 气象预测的局限性与未来展望

尽管 WN-C 展现出了惊人的潜力，但 DeepMind 明确强调，它并非用来取代传统的天气数值模型，而是作为一种强有力的补充。在模拟的共识模型加权测试中，引入 WN-C 让路径预测改善了 28%，但强度预测仅提升了 6%。这说明传统基于流体力学和物理规律的模型在强度评估等特定领域依然发挥着不可替代的作用。对于官方的灾害预警，研究团队仍建议公众以国家级气象局的官方发布为准，AI 的角色定位是辅助预报员，而非替代他们。

值得注意的是，科技公司在将 AI 引入现实灾害预警时也面临着风险与挑战。谷歌的灾害预警系统并非完美无缺，例如其安卓地震警报系统曾在 2023 年土耳其大地震中严重低估了震级（将 7.8 级评估为 4.5 到 4.9 级），导致大量本应收到警报的用户未能及时获悉险情。这也提醒业界，AI 模型从实验室走向实际部署，必须经过严苛且漫长的现实考验。

此外，这项气象科研成就恰逢 DeepMind 内部的组织动荡期。公司 CEO Demis Hassabis 近期退出了日常运营管理转任 Alphabet 首席科学家，而效力 27 年的顶级科学家 Jeff Dean 也离职参与创办新的 AI 初创公司。尽管高层发生变动，WN-C 的顺利问世依然证明了 DeepMind 在基础科学 AI 应用领域的深厚底蕴。

总体而言，WeatherNext Cyclones 标志着 AI 在气象科学领域的又一次重要跨越。随着代码的开源与全球气象机构的协作跟进，AI 技术将在应对全球气候变化和极端天气挑战中，提供越来越坚实的决策支持。